배움 일지

tf.keras.Sequential() API보다 더 유연한 모델을 생성하는 방법. Sequential()과 다르게 여러 입출력 모델을 처리할 수 있음. + skip connection과 같은 연결도 처리가 가능 1. tf.keras.Input(shape=(128, 128, 3)) : input 노드 생성. input_img = tf.keras.Input(shape=input_shape) 2. model layer 구성하기 def convolution_model(input_shape): input_img = tf.keras.Input(shape=input_shape) output = tfl.Conv2D(filters=8, kernel_size=4, padding="same")(input_img) . . ..

model = tf.keras.Sequential() model.add(tfl.Dense(8)) # add로 layer 추가 가능​ import tensorflow.keras.layers as tfl 1. tf.keras.Sequential() # layer by layer로 model 구축 가능. 하나의 input tensor와 하나의 output tensor가 있는 모델을 구축하는데 적합함. # 즉, straightforward에 적합함. # 여러 입력 또는 출력이 있는 layer를 포함하는 경우에는 Foundation API를 활용함. # Sequential model은 layer의 list라고 생각할 수 있음. # model.add(): layer 추가 / model.pop(): layer 제거 ..

모든 설명은 tensorflow 공식 문서를 활용했슴다. 추가 참조는 링크를 달아놓겠습니다. import tensorflow as tf 1. tf.data.Dataset.from_tensor_slices : 어떤 tensor가 주어졌을 때 dataset의 elements들을 slice해서 return 해주는 함수 x_train = tf.data.Dataset.from_tensor_slices(train_dataset['train_set_x']) y_train = tf.data.Dataset.from_tensor_slices(train_dataset['train_set_y']) 2. x_train.element_spec : x_train dataset의 각 요소들의 type specification을 보여..